摘" " 要" " 婦科惡性腫瘤對(duì)女性的身心健康造成了極大的威脅，且發(fā)病率居高不下。超聲是其首選檢查方法，但其具有操作者主觀依賴性。影像組學(xué)是一種高通量算法，其可將圖片中的信息轉(zhuǎn)化為可視化數(shù)字信息從而進(jìn)行定量分析，彌補(bǔ)了影像醫(yī)師因主觀性造成的不足。本文就超聲影像組學(xué)在婦科常見惡性腫瘤中的應(yīng)用進(jìn)展進(jìn)行綜述。

關(guān)鍵詞" " 超聲檢查；影像組學(xué)；惡性腫瘤，婦科

［中圖法分類號(hào)］R445.1；R737.3" " " ［文獻(xiàn)標(biāo)識(shí)碼］A

Application progress of ultrasound radiomics in gynecological

common malignant tumors

WANG Xueying，ZHANG Maochun

Department of Ultrasound，Affiliated Hospital of North Sichuan Medical College，Sichuan 637000，China

ABSTRACT" " Gynecological malignancy poses a great threat to women’s physical and mental health，and its incidence remains high.Ultrasound is the preferred examination method，but it is subjective.Radiomics is a high-throughput algorithm，which can transform the information in the" images into visual digital information for quantitative analysis，which greatly makes up for the shortcomings caused by the subjectivity of the imaging physician.This article reviews the application progress of ultrasound radiomics in gynecological common malignant tumors.

KEY WORDS" " Ultrasonography；Radiomics；Malignant tumors，gynecology

婦科惡性腫瘤是一類發(fā)生在女性生殖系統(tǒng)的嚴(yán)重疾病，包括多種類型，如宮頸癌、子宮內(nèi)膜癌、卵巢癌等，對(duì)女性的身心健康會(huì)造成了極大的威脅，且發(fā)病率居高不下［1］。超聲是其首選檢查方法，具有動(dòng)態(tài)掃查、費(fèi)用低、無輻射、無禁忌癥及操作便捷等優(yōu)點(diǎn)，但其具有操作者主觀依賴性，低年資經(jīng)驗(yàn)少的影像醫(yī)師疾病診斷準(zhǔn)確率往往低于高年資經(jīng)驗(yàn)多的影像醫(yī)師。影像組學(xué)是一種高通量算法，其可將圖片中的信息轉(zhuǎn)化為可視化數(shù)字信息從而進(jìn)行定量分析［2］，大大彌補(bǔ)了影像醫(yī)師因主觀性造成的不足。隨著醫(yī)學(xué)技術(shù)的快速發(fā)展，影像組學(xué)廣泛應(yīng)用于疾病的早期診斷、預(yù)測分類及預(yù)后評(píng)估等多方面，并產(chǎn)生超聲影像組學(xué)這一重要分支。與傳統(tǒng)超聲相比，超聲影像組學(xué)可以獲取更多肉眼無法識(shí)別的信息，進(jìn)而能早期全面地評(píng)估腫瘤內(nèi)部異質(zhì)性及周圍組織反應(yīng)等情況［3-5］。目前其在乳腺癌、甲狀腺癌、肝癌等疾病均有所應(yīng)用，但在婦科惡性腫瘤方面尚屬于初步探索階段。本文詳細(xì)闡述了超聲影像組學(xué)的一般流程及其在婦科常見惡性腫瘤領(lǐng)域的臨床應(yīng)用，并對(duì)其在婦科惡性腫瘤領(lǐng)域的臨床現(xiàn)狀和應(yīng)用價(jià)值進(jìn)行了總結(jié)。

一、超聲影像組學(xué)的一般流程

1.圖像獲取：超聲檢查后選取最清晰且探頭能夠容納整個(gè)病灶感興趣區(qū)（ROI）的圖像，并以DICOM 格式存放于影像歸檔和通信系統(tǒng)（PACS）。因使用的儀器及檢查醫(yī)師留存影像切面習(xí)慣的不同，超聲圖像所提取到的特征信息可能有所差異，因此超聲影像組學(xué)獲取圖像的第一步關(guān)鍵即選取高質(zhì)量的圖像，需清晰顯示且包含整個(gè)ROI，二維及彩色多普勒均需留存，圖像中不能有任何標(biāo)記，包括測量符等。

2.圖像分割：ROI的勾畫方式有手動(dòng)、半自動(dòng)、全自動(dòng)3種，其中手動(dòng)勾畫一般由2名不知曉病理結(jié)果的超聲醫(yī)師獨(dú)立完成ROI的識(shí)別與勾畫，精準(zhǔn)度好，但用時(shí)較長，且易發(fā)生觀察者間的差異；半自動(dòng)方法所勾畫出的ROI經(jīng)人工校正后可以明顯降低觀察者間的變異性，與手動(dòng)勾畫ROI方法相比，觀察者內(nèi)部的再現(xiàn)性也有一定的提高；全自動(dòng)方法雖然速度快，可重復(fù)性高，但難以有效應(yīng)用。目前為使精確性和一致性方面保持優(yōu)勢，多數(shù)研究仍采用手動(dòng)勾畫ROI并進(jìn)行一致性分析。勾畫圖像ROI的軟件包括：3D-Slicer（https：//www.slicer.org/）、ITK-SNAP（http：//www.itksnap.org/pmwiki/pmwiki.php）、ImageJ（https：//imagej.net/ij/ij/）、IBEX-MDA（https：//sourceforge.net/projects/ibex-mda/）、MaZda（http：//eletel.p.lodz.pl/programy/mazda/）等。

3.特征的提取與篩選：勾畫出的ROI經(jīng)影像軟件提取特征后所獲得的特征量往往上百上千，超聲影像組學(xué)特征分為形態(tài)特征（shape features）、一階特征（first-order features）、紋理特征（texture features）、高階特征（high-order features）及基于模型轉(zhuǎn)換的特征［6］。為避免數(shù)據(jù)過擬合所致的偏差［7］，數(shù)據(jù)經(jīng)Z-score歸一化后，對(duì)每個(gè)特征變量進(jìn)行單因素分析，包括正態(tài)性檢驗(yàn)、方差齊性檢驗(yàn)、t檢驗(yàn)、Mann-Whitney U檢驗(yàn)，剔除差異無統(tǒng)計(jì)學(xué)意義的特征，然后剩下的特征變量進(jìn)行“去冗余”，行Pearson相關(guān)性分析，排除rgt;0.9的特征變量，以避免潛在的嚴(yán)重線性相關(guān)［8］，最后采用最小絕對(duì)收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）算法進(jìn)行降維，并使用十折或五折交叉驗(yàn)證進(jìn)行特征選擇［9］。

4.模型構(gòu)建：將最后篩選出的特征利用回歸方程構(gòu)建影像組學(xué)模型，根據(jù)各種研究目的不同將所提取特征直接應(yīng)用或?qū)⑵溆?jì)算得出影像組學(xué)評(píng)分（rad-score），與多種其他模式或模型進(jìn)行組合建模，將其應(yīng)用于臨床診斷、疾病預(yù)測、預(yù)后評(píng)估等。

二、超聲影像組學(xué)在婦科常見惡性腫瘤中的應(yīng)用

1.子宮內(nèi)膜癌（endometrial cancer，EC）：其是女性生殖系統(tǒng)常見的惡性腫瘤之一，且近年發(fā)病率呈上升趨勢［10］。國際婦產(chǎn)科協(xié)會(huì)將是否有淋巴結(jié)轉(zhuǎn)移作為評(píng)價(jià)其分期的重要指標(biāo)之一。影響預(yù)后的重要因素包括年齡、分期、子宮肌層侵犯情況、分級(jí)、腫瘤類型及淋巴血管間隙侵犯情況等，2022年歐洲腫瘤學(xué)會(huì)發(fā)布的《子宮內(nèi)膜癌臨床實(shí)踐指南》［11］針對(duì)不同危險(xiǎn)群體，也建議了不同的手術(shù)方式和輔助治療策略。經(jīng)陰道超聲檢查是EC的首選影像學(xué)檢查方法。腫瘤周圍組織中提取的特征可以反映豐富信息，對(duì)于探索超聲影像組學(xué)評(píng)估惡性腫瘤周圍組織侵犯情況具有一定價(jià)值。Moro等［12］回顧性選取多中心經(jīng)組織學(xué)病理確診的EC患者498例（訓(xùn)練集396例，驗(yàn)證集102例），構(gòu)建單純超聲影像組學(xué)模型、超聲-臨床模型（常規(guī)超聲參數(shù)包括子宮內(nèi)膜厚度、腫瘤內(nèi)部回聲、腫瘤最大徑、腫瘤體積等，臨床參數(shù)包括年齡、體質(zhì)量、病理類型等）、混合模型（臨床參數(shù)、常規(guī)超聲參數(shù)和先前選擇的超聲影像組學(xué)特征聯(lián)合構(gòu)建的回歸模型），結(jié)果顯示超聲影像組學(xué)模型鑒別驗(yàn)證集中低風(fēng)險(xiǎn)EC與其他EC的曲線下面積（AUC）為0.71（Plt;0.05），且能更好地區(qū)分高風(fēng)險(xiǎn)EC與其他EC（AUC=0.80，Plt;0.05）。秦麗莎等［13］回顧性分析255例經(jīng)病理證實(shí)的EC患者術(shù)前超聲影像及臨床資料，并基于此構(gòu)建預(yù)測EC患者淋巴結(jié)轉(zhuǎn)移的超聲影像組學(xué)模型，該模型在訓(xùn)練集和驗(yàn)證集的AUC分別為0.81、0.78，將其與腫瘤標(biāo)志物CA125、CA153結(jié)合的組合模型在訓(xùn)練集和驗(yàn)證集的AUC分別增加到0.89、0.85，證明超聲影像組學(xué)模型及結(jié)合相關(guān)臨床指標(biāo)構(gòu)建的組合模型對(duì)預(yù)測EC淋巴結(jié)轉(zhuǎn)移均具有一定臨床價(jià)值且診斷效能均較好，后續(xù)應(yīng)用超聲影像組學(xué)進(jìn)行EC相關(guān)情況研究具有可操作性。

2.宮頸癌：其是全球女性第四大常見惡性腫瘤，2023年惡性腫瘤統(tǒng)計(jì)數(shù)據(jù)［10］顯示，雖然因人乳頭瘤病毒疫苗接種計(jì)劃的推出宮頸癌發(fā)病率有所下降，但其仍然是一個(gè)主要的公共衛(wèi)生問題。國際婦產(chǎn)科聯(lián)盟（FIGO）發(fā)布的2018版相關(guān)指南更新了宮頸癌分期標(biāo)準(zhǔn)及相對(duì)應(yīng)的治療方式，手術(shù)是治療早期宮頸癌（ⅠA1～ⅡA期）的常用治療方式，而局部晚期宮頸癌（ⅡB～Ⅳ期）通常是多模式聯(lián)合治療［14］，因此宮頸癌相關(guān)診斷問題成為國內(nèi)外研究熱點(diǎn)。宮頸癌超聲影像組學(xué)相關(guān)研究于2020年首次報(bào)道，Jin等［15］回顧性分析172例經(jīng)病理證實(shí)且臨床分期為早期宮頸癌患者（淋巴結(jié)轉(zhuǎn)移49例、非淋巴結(jié)轉(zhuǎn)移123例）的術(shù)前超聲影像，從超聲圖像中總共提取了152個(gè)影像組學(xué)特征，最終篩選出6個(gè)特征與淋巴結(jié)轉(zhuǎn)移顯著相關(guān)（均Plt;0.05），利用篩選出的特征構(gòu)建預(yù)測模型，該模型在訓(xùn)練集和驗(yàn)證集中預(yù)測早期宮頸癌患者淋巴結(jié)轉(zhuǎn)移的AUC分別為0.79（95% 可信區(qū)間：0.71～0.88）、0.77（95% 可信區(qū)間：0.65～0.88），表明該預(yù)測模型能很好地區(qū)分淋巴結(jié)轉(zhuǎn)移患者與非淋巴結(jié)轉(zhuǎn)移患者；同時(shí)校準(zhǔn)曲線也顯示該模型預(yù)測概率與實(shí)際概率的一致性良好，證明超聲影像組學(xué)模型對(duì)于術(shù)前預(yù)測早期宮頸癌患者淋巴結(jié)轉(zhuǎn)移的效能良好。由此可見，超聲影像組學(xué)可以作為早期宮頸癌患者個(gè)體化治療方案的補(bǔ)充診斷工具，為后續(xù)宮頸癌早、中晚分期提供了思路。

3.卵巢癌：其是世界上最致命的婦科惡性腫瘤之一，以致死率和復(fù)發(fā)率高、早期檢出率低為特點(diǎn)［16］。從超聲圖像中提取的信息與腫瘤異質(zhì)性密切相關(guān)。Chiappa等［17］回顧性選取239例卵巢腫瘤患者，基于腫瘤的二維超聲特征（實(shí)性、囊性、囊實(shí)性等）、超聲影像組學(xué)特征及血清CA125構(gòu)建模型，探討其預(yù)測卵巢腫瘤惡性風(fēng)險(xiǎn)（極低風(fēng)險(xiǎn)與中高風(fēng)險(xiǎn)）的診斷效能，結(jié)果顯示其預(yù)測準(zhǔn)確率為88%，靈敏度為99%，特異度為77%；該研究同時(shí)前瞻性選取35例卵巢腫瘤患者，該模型預(yù)測卵巢腫瘤惡性風(fēng)險(xiǎn)的準(zhǔn)確率為91%，靈敏度為100%，特異度為80%，提示該模型可以預(yù)測個(gè)體的惡性腫瘤風(fēng)險(xiǎn)，用以指導(dǎo)臨床決策。Qi等［18］進(jìn)一步整合了超聲及臨床資料，將超聲影像組學(xué)模型所計(jì)算的影像組學(xué)評(píng)分與臨床參數(shù)（包括年齡、CA125、病變位置、癌癥家族史等）聯(lián)合構(gòu)建列線圖模型，其區(qū)分良性與非良性（交界性和惡性）卵巢漿液性腫瘤的AUC為0.914；區(qū)分交界性與惡性卵巢漿液性腫瘤的AUC為0.890，可以很好地提供術(shù)前診斷信息。Sheela和Sumathi［19］同樣從經(jīng)陰道二維超聲圖像中提取卵巢腫瘤特征，探索機(jī)器學(xué)習(xí)是否可以進(jìn)行腫瘤良惡性鑒別，結(jié)果顯示基于超聲圖像提取的紋理特征構(gòu)建的支持向量機(jī)預(yù)測模型性能平均準(zhǔn)確率提高了92%，能有效地區(qū)分卵巢腫瘤良惡性，避免了不必要或有風(fēng)險(xiǎn)的穿刺活檢。上皮性卵巢癌（epithelial ovarian cancer，EOC）是卵巢癌最常見的類型，分為Ⅰ、Ⅱ型［20］。Yao等［21］選取經(jīng)病理證實(shí)的EOC患者265例（Ⅰ型67例、Ⅱ型198例），基于超聲圖像特征及臨床資料分別構(gòu)建超聲影像組學(xué)模型、臨床模型及二者聯(lián)合模型，結(jié)果顯示超聲影像組學(xué)模型、臨床模型、聯(lián)合模型鑒別Ⅰ型與Ⅱ型EOC在訓(xùn)練集中的AUC分別為0.76、0.76、0.83，在驗(yàn)證集中AUC分別為0.74、0.73、0.82，其中聯(lián)合模型在預(yù)測 EOC 組織病理學(xué)類型方面具有良好的效能。Tang等［22］回顧性分析154例卵巢癌患者超聲圖像特征，并基于此構(gòu)建Ⅰ、Ⅱ型EOC的術(shù)前預(yù)測模型，結(jié)果顯示該模型在訓(xùn)練集和驗(yàn)證集中的AUC分別為0.817、0.731，同樣證實(shí)超聲影像組學(xué)在鑒別Ⅰ型與Ⅱ型EOC中具有一定價(jià)值。由此可見，超聲影像組學(xué)不僅可以評(píng)估卵巢癌預(yù)后、淋巴結(jié)轉(zhuǎn)移等，還可以進(jìn)一步幫助臨床醫(yī)師術(shù)前快速識(shí)別EOC類型。

三、小結(jié)與展望

總之，超聲作為無創(chuàng)、無痛、經(jīng)濟(jì)的檢查方法，可以實(shí)時(shí)動(dòng)態(tài)觀察腫瘤的大小、形態(tài)、位置，以及與周圍組織的關(guān)系，由此發(fā)展的超聲影像組學(xué)還可以對(duì)圖像進(jìn)行深度分析和處理，提取與疾病相關(guān)的定量和定性信息以輔助于臨床診斷。但超聲影像組學(xué)目前尚處于初步發(fā)展階段，存在著許多不足。首先，相對(duì)于 CT 和MRI 等，超聲影像大多選取切面較少，特征提取相對(duì)也較少，且具有一定的操作者主觀依賴性，后續(xù)隨著超聲檢查的標(biāo)準(zhǔn)化會(huì)有所改善；其次，不同超聲診斷儀的參數(shù)設(shè)置也有一定的差異，目前尚不清楚對(duì)后續(xù)研究影響如何；再次，目前關(guān)于超聲影像組學(xué)的研究大多為回顧性研究，樣本量小，今后應(yīng)擴(kuò)大樣本量并進(jìn)行前瞻性研究。影像組學(xué)是婦科惡性腫瘤研究的一個(gè)新領(lǐng)域，目前在影像組學(xué)發(fā)展中，超聲影像組學(xué)可能是涉及最小的領(lǐng)域，而在超聲影像組學(xué)研究中，婦科惡性腫瘤是最小的板塊［5］。相信隨著超聲影像技術(shù)的發(fā)展及研究的標(biāo)準(zhǔn)化，超聲影像組學(xué)將逐漸成熟，并在婦科惡性腫瘤應(yīng)用中發(fā)揮更大的價(jià)值。

參考文獻(xiàn)

［1］ Sung H，F(xiàn)erlay J，Siegel RL，et al.Global Cancer Statistics 2020：GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries［J］.CA Cancer J Clin，2021，71（3）：209-249.

［2］ Liu Z，Wang S，Dong D，et al.The applications of radiomics in precision diagnosis and treatment of oncology：opportunities and challenges［J］.Theranostics，2019，9（5）：1303-1322.

［3］ Zwanenburg A，Vallieres M，Abdalah MA，et al.The image biomarker standardization initiative：standardized quantitative radiomics for high-throughput image-based phenotyping［J］.Radiology，2020，295（2）：328-338.

［4］ Sala E，Mema E，Himoto Y，et al.Unravelling tumour heterogeneity using next-generation imaging：radiomics，radiogenomics，and habitat imaging［J］.Clin Radiol，2017，72（1）：3-10.

［5］ 朱煒宇，張青陵，張緒霞，等.基于超聲的影像組學(xué)在常見腫瘤應(yīng)用中的研究進(jìn)展［J］.中國醫(yī)療設(shè)備，2022，37（2）：164-167，178.

［6］ Mayerhoefer ME，Materka A，Langs G，et al.Introduction to radiomics［J］.J Nucl Med，2020，61（4）：488-495.

［7］ Rizzo S，Botta F，Raimondi S，et al.Radiomics：the facts and the challenges of image analysis［J］.Eur Radiol Exp，2018，2（1）：36.

［8］ Heinze G，Wallisch C，Dunkler D.Variable selection——a review and recommendations for the practicing statistician［J］.Biom J，2018，60（3）：431-449.

［9］ 林少煒，鄧鋰峰，吳思英.基于LASSO算法的水平壓縮方差分析［J］.中國衛(wèi)生統(tǒng)計(jì)，2016，33（5）：914-916.

［10］ Siegel RL，Miller KD，Wagle NS，et al.Cancer statistics，2023［J］.CA Cancer J Clin，2023，73（1）：17-48.

［11］ Oaknin A，Bosse TJ，Creutzberg CL，et al.Endometrial cancer：ESMO Clinical Practice Guideline for diagnosis，treatment and follow-up［J］.Ann Oncol，2022，33（9）：860-877.

［12］ Moro F，Albanese M，Boldrini L，et al.Developing and validating ultrasound-based radiomics models for predicting high-risk endometrial cancer［J］.Ultrasound Obstet Gynecol，2022，60（2）：256-268.

［13］ 秦麗莎，丘程程，唐支平，等.基于超聲的影像組學(xué)結(jié)合臨床參數(shù)術(shù)前預(yù)測子宮內(nèi)膜癌淋巴結(jié)轉(zhuǎn)移的價(jià)值［J］.中華超聲影像學(xué)雜志，2022，31（4）：332-337.

［14］ Bhatla N，Aoki D，Sharma DN，et al.Cancer of the cervix uteri：2021 update［J］.Int J Gynaecol Obstet，2021，155（Suppl 1）：28-44.

［15］ Jin X，Ai Y，Zhang J，et al.Noninvasive prediction of lymph node status for patients with early-stage cervical cancer based on radiomics features from ultrasound images［J］.Eur Radiol，2020，30（7）：4117-4124.

［16］ Forstner R.Early detection of ovarian cancer［J］.Eur Radiol，2020，30（10）：5370-5373.

［17］ Chiappa V，Interlenghi M，Bogani G，et al.A decision support system based on radiomics and machine learning to predict the risk of malignancy of ovarian masses from transvaginal ultrasonography and serum CA-125［J］.Eur Radiol Exp，2021，5（1）：28.

［18］ Qi L，Chen D，Li C，et al.Diagnosis of ovarian neoplasms using nomogram in combination with ultrasound image-based radiomics signature and clinical factors［J］.Front Genet，2021，12（1）：753948.

［19］ Sheela S，Sumathi M.An evaluation of effectiveness of a texture feature based computerized diagnostic model in classifying the ovarian cyst as benign and malignant from static 2D B-mode ultrasound images［J］.Curr Med Imaging，2023，19（3）：292-305.

［20］ Shih IM，Wang Y，Wang TL.The origin of ovarian cancer species and precancerous landscape［J］.Am J Pathol，2021，191（1）：26-39.

［21］ Yao F，Ding J，Lin F，et al.Nomogram based on ultrasound radiomics score and clinical variables for predicting histologic subtypes of epithelial ovarian cancer［J］.Br J Radiol，2022，95（1136）：20211332.

［22］ Tang ZP，Ma Z，He Y，et al.Ultrasound-based radiomics for predicting different pathological subtypes of epithelial ovarian cancer before surgery［J］.BMC Med Imaging，2022，22（1）：147.

（收稿日期：2023-12-04）